論文の概要: InverseSR: 3D Brain MRI Super-Resolution Using a Latent Diffusion Model
- arxiv url: http://arxiv.org/abs/2308.12465v1
- Date: Wed, 23 Aug 2023 23:04:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-25 15:55:49.481847
- Title: InverseSR: 3D Brain MRI Super-Resolution Using a Latent Diffusion Model
- Title(参考訳): InverseSR:潜在拡散モデルを用いた3次元脳MRI超解像
- Authors: Jueqi Wang and Jacob Levman and Walter Hugo Lopez Pinaya and
Petru-Daniel Tudosiu and M. Jorge Cardoso and Razvan Marinescu
- Abstract要約: 研究グレードの医療センターから得られた高分解能(HR)MRIスキャンは、画像化された組織に関する正確な情報を提供する。
通常の臨床MRIスキャンは通常、低分解能(LR)である
MRI超解像(SR)のためのエンドツーエンドのディープラーニング手法が提案されているが、入力分布の変化があるたびに再学習する必要がある。
本稿では,英国バイオバンクでトレーニングされた最新の3D脳生成モデル,潜在拡散モデル(LDM)を活用する新しいアプローチを提案する。
- 参考スコア(独自算出の注目度): 1.4126798060929953
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-resolution (HR) MRI scans obtained from research-grade medical centers
provide precise information about imaged tissues. However, routine clinical MRI
scans are typically in low-resolution (LR) and vary greatly in contrast and
spatial resolution due to the adjustments of the scanning parameters to the
local needs of the medical center. End-to-end deep learning methods for MRI
super-resolution (SR) have been proposed, but they require re-training each
time there is a shift in the input distribution. To address this issue, we
propose a novel approach that leverages a state-of-the-art 3D brain generative
model, the latent diffusion model (LDM) trained on UK BioBank, to increase the
resolution of clinical MRI scans. The LDM acts as a generative prior, which has
the ability to capture the prior distribution of 3D T1-weighted brain MRI.
Based on the architecture of the brain LDM, we find that different methods are
suitable for different settings of MRI SR, and thus propose two novel
strategies: 1) for SR with more sparsity, we invert through both the decoder of
the LDM and also through a deterministic Denoising Diffusion Implicit Models
(DDIM), an approach we will call InverseSR(LDM); 2) for SR with less sparsity,
we invert only through the LDM decoder, an approach we will call
InverseSR(Decoder). These two approaches search different latent spaces in the
LDM model to find the optimal latent code to map the given LR MRI into HR. The
training process of the generative model is independent of the MRI
under-sampling process, ensuring the generalization of our method to many MRI
SR problems with different input measurements. We validate our method on over
100 brain T1w MRIs from the IXI dataset. Our method can demonstrate that
powerful priors given by LDM can be used for MRI reconstruction.
- Abstract(参考訳): 研究グレードの医療センターから得られた高分解能MRIスキャンは、画像化された組織に関する正確な情報を提供する。
しかし、通常臨床MRIスキャンは低分解能(LR)であり、医療センターの局所的なニーズに対するスキャンパラメータの調整により、コントラストや空間分解能が大きく変化する。
MRI超解像(SR)のためのエンドツーエンドディープラーニング手法が提案されているが、入力分布の変化があるたびに再学習する必要がある。
この問題に対処するために,英国バイオバンクで訓練された潜伏拡散モデル(LDM)を用いた最先端の3D脳生成モデルを用いて,臨床MRIスキャンの解像度を向上する手法を提案する。
LDMは前駆体として機能し、3D T1強調脳MRIの事前分布を捉える能力を有する。
脳LCMのアーキテクチャに基づいて、MRI SRの異なる設定に異なる手法が適していることが分かり、新しい2つの戦略を提案する。
1) LDM のデコーダと DIM (Deterministic Denoising Diffusion Implicit Models) を逆転させて, より疎結合な SR に対して, InverseSR(LDM) と呼ぶアプローチを提案する。
2) スパーシティの少ないsrでは、ldmデコーダのみを反転させ、逆sr(decoder)と呼ぶ。
これらの2つのアプローチは、与えられたLRMRIをHRにマッピングする最適な潜在コードを見つけるために、LDMモデルの異なる潜在空間を探索する。
生成モデルのトレーニングプロセスはMRIアンダーサンプリングプロセスとは独立であり,入力測定の異なる多くのMRI SR問題に対する本手法の一般化を保証する。
IXIデータセットから100以上の脳T1wMRIを用いて本手法の有効性を検証した。
提案手法は,MRI再建にLDMが与える強力な前駆体を応用できることを実証できる。
関連論文リスト
- Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳(メタデータ) (2024-01-17T07:54:49Z) - Resolution- and Stimulus-agnostic Super-Resolution of Ultra-High-Field
Functional MRI: Application to Visual Studies [1.8327547104097965]
高分解能fMRIは脳のメソスケール組織への窓を提供する。
しかし、高い空間分解能はスキャン時間を増加させ、低信号とコントラスト-ノイズ比を補う。
本研究では,fMRIのための深層学習に基づく3次元超解像法を提案する。
論文 参考訳(メタデータ) (2023-11-25T03:33:36Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳(メタデータ) (2023-11-01T07:24:22Z) - Unpaired MRI Super Resolution with Contrastive Learning [33.65350200042909]
深層学習に基づく画像超解像法は、余分なコストなしでMRIの解像度を改善することを約束する。
整列性高分解能(HR)と低分解能(LR)のMRI画像ペアが欠如しているため、教師なしのアプローチはMRI画像によるSR再構成に広く採用されている。
我々は,限られたHRデータでSR性能を向上させるために,コントラスト学習を用いたMRI SRアプローチを提案する。
論文 参考訳(メタデータ) (2023-10-24T12:13:51Z) - TransMRSR: Transformer-based Self-Distilled Generative Prior for Brain
MRI Super-Resolution [18.201980634509553]
本稿では,脳MRI SR のための新しい2段階ネットワーク TransMRSR を提案する。
TransMRSRは、浅部局所特徴抽出、深部非局所特徴キャプチャ、HR画像再構成の3つのモジュールで構成されている。
本手法は,パブリックデータセットとプライベートデータセットの両方において,他のSSIR手法よりも優れた性能を実現する。
論文 参考訳(メタデータ) (2023-06-11T12:41:23Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳(メタデータ) (2022-09-15T03:58:30Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳(メタデータ) (2022-04-01T22:48:08Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳(メタデータ) (2021-02-25T14:52:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。